第7讲-地面三维激光雷达点云预处理

点云数据空洞修补
点云数据空洞修补 基于内插原理的空洞修补
空洞修补过程：
空洞边界探测：通过参数化的边界点求解径向基函数的待定系 数并进行U向和V向插值得到空洞区域的填充点。
点云数据空洞修补
点云数据空洞修补
基于内插原理的空洞修补
通过该方法修补的空洞曲面同其周围曲面能够保持良 好的几何一致性，不仅保证了原始样本不变，而且使 填补空洞的重建补丁与原始表面光滑吻合，使用相对 少量的空洞边缘的样本就能实现。是目前较为常用的 一种基于局部曲面拟合内插的修补方法。 但该方法只能修复局部光滑曲面区域，无法修复特征 区域。
随机采样法对顺序读入数据文件的点进行随机的去除， 这种方法不用建立散乱点的邻域结构，所以实现是很 快的。 缺点：随机性太大，无法控制精度，同时也无法重现。 当去除的数据点较多时，就会导致大量的细节遗失， 使得后续建模中生成的曲面或网格与原始数据偏差较 大。
点云数据压缩与简化
点云数据压缩与简化 曲率采样法
点云邻域
散乱点云数据组织
散乱点云数据组织 散乱点云空间索引结构
对于海量点云数据中点K-邻域的查找，一般需要对散 乱点云建立空间索引结构来提高邻域查找效率。常用 的散乱点云索引结构包括以下三种： 空间栅格结构 八叉树结构 k-d tree结构
散乱点云数据组织
点云邻域 空间栅格结构
散乱点云数据组织
点云邻域 空间栅格结构
在查询点云中任意数据点 P 的 K 近邻时，首先根据点P 的坐标轴计算出 P 所在的立方体单元索引号，然后取 该栅格的三维空间相邻 26个单元的索引号 ，最后在 27个单元栅格中查找与点 P 欧氏距离最近的 K 个点， 这样就能够的大大提高邻域搜索速度。
点云数据修复
点云数据修复
基于摄影测量原理的空洞修补
① 对摄取的影像进行畸变校正，得到畸变改正参数，用 于消除由数码相机镜头畸变产生的像点坐标误差。 ② 对序列影像进行匹配，得到同名点。 ③ 由匹配得到的同名点进行相对定向与模型连接。恢复 摄影时相邻两影像摄影光束的对应相交几何关系，把 各像对的方位元素和模型点坐标计算值纳入统一的坐 标系中,建立与被摄物体相似的几何模型。
散乱点云数据组织
点云邻域 K-D树结构
点云K-D树邻域构建
点云数据空洞修补
点云数据空洞修补
点云空洞
在获取与场景相关的激光点云的过程中，尤其是复杂 扫描场景，扫描目标间的相互遮挡，造成点云数据空 洞； 扫描目标表面材质、粗糙度、反射特性等物理因素造 成的激光低反射或镜面反射，无法获取点云数据； 由于测量设备的限制或待测模型自身形状的缺陷，点 云数据经常包含有各种无法测量到的区域；
曲率采样是根据点云中点的内在属性，即曲率，作为 标准来采样点云。 在曲率较大的区域往往包含较多的特征，而在曲率较 小的区域(如平面)上，可以用较少的点来表示很大的 面积，所以数据冗余很多，一般可以去除。 曲率采样的原则是:小曲率区域保留少量的点，而大曲 率区域则保留足够多的点，以精确完整地表示曲面特 征。
空间栅格划分就是将点云所在的空间区域规则地划分 为有序排列的单元立方体，点云中的每个点都相应落 入由其三维坐标所确定的对应单位立方体中，利用单 元立方体的规则性和邻接性，建立点的 K邻域拓扑关 系。
散乱点云数据组织
点云邻域 空间栅格结构
对于点云数据，其外接包围盒为 {x 分单元的索引号 (i, j, k ) 为：
点云数据空洞修补
点云数据空洞修补
基于内插原理的空洞修补
依靠定义与空洞周围网格的曲率相关的曲面，结合周 边顶点对其曲面进行内插新顶点，以达到空洞修补的 目的
包含空洞区域离散点 云数据 二次曲面拟合并将点列转化 到局部坐标系
建立离散点数据的 K-D索引
根据曲面方程进行边界点 序列参数化
根据点的邻域几何分布探测 边界特征点
散乱点云数据组织
散乱点云数据组织 三种不同的点云邻域比较
K-邻域：采用遍历搜索的方式来查找邻域。可通过建立不同 的空间索引结构来提高查找效率。查找方式灵活，是目前最 为常用的散乱点邻域类型。 BSP邻域：空间二叉划分，对大数据量点云 BSP树深度较大。 常用于GIS空间数据库。 Voronoi邻域：构建过程复杂耗时。一般不用于点云邻域查询。
通过径向基函数建立 插值曲面
边界追踪法确定空 洞边界
通过插值曲面进行U向和V向插 值完成修补
点云数据空洞修补
点云数据空洞修补
基于内插原理的空洞修补
空洞修补过程：
空洞边界探测：如果点云数据中某点是边界特征点，则其K邻域 点的分布必将偏向某一侧，即K邻域中的毗邻角必会大于某一角 度阈值；如果是内部点，则其K邻域点将均匀地分布在该点的周 围。基于这种思想，可以利用数据点的K邻域点的最大角度差来 判断边界特征点。 边界点序列参数化：识别出边界特征点后，首先通过边界追踪 法将无序的边界点连接成闭合空洞边界线，然后通过空洞邻近域 的特征面建立局部坐标系，按移动最小二乘法拟合二次曲面并按 曲面模型将边界点序列进行参数化。
第七讲
地面三维激光雷达点云预处理
主要内容
散乱点云数据组织 点云数据空洞修补 点云数据压缩与简化
散乱点云数据组织
散乱点云数据组织 点云邻域
邻域即是一种拓扑关系，是目标空间分布和结构信 息的局部表达。 一切复杂的空间实体，都可以通过一系列的邻域及 其邻域间的内在关联性进行表示。 点云的邻域实质上是三维空间点集的一个局部微小 区域。
点云数据空洞修补
点云数据空洞修补
基于内插原理的空洞修补
依靠定义与空洞周围网格的曲率相关的曲面，结合周 边顶点对其曲面进行内插新顶点，以达到空洞修补的 目的 空洞修补过程：
空洞边界探测：如果点云数据中某点是边界特征点，则其K邻域 点的分布必将偏向某一侧，即K邻域中的毗邻角必会大于某一角 度阈值；如果是内部点，则其K邻域点将均匀地分布在该点的周 围。基于这种思想，可以利用数据点的K邻域点的最大角度差来 判断边界特征点。
包围盒法也称均匀简化法，就是采用体包围盒来约束 点云，在包围盒中选取最靠近包围盒中心的点来代替 整个包围盒中的点。 包围盒法简单高效，容易实现。 对于表面不复杂，曲率变化不大的物体的点云数据精 简很有效。 缺点：在曲率变化大的地方容易丢失细节。
点云数据压缩与简化
点云数据压缩与简化 随机简化方法
K-邻域：包括了KNN(K Nearest Neighbour)及FDN(Fixed Distance Neighbors)。KNN是K个到点p的欧氏距离最近 的点所组成的集合。FNN为点P的指定搜索范围的点所组 成的集合。 BSP邻域：基于BSP（Binary Space Partition- ing 二叉 空间划分法）树结构的点云邻域。 Voronoi邻域：基于Voronoi图（泰森多边形）的点云邻域。
那么对索引号为 (i, j, k ) 的单元立方体来说，27个邻域单 元立方体索引号为 (i − a, j − b, k − c ), a, b, c ∈ {− 1,0,1} 。为了使索 引号不产生负值，要对外接包围盒进行边缘延拓，延 拓后的外接包围盒为 {x
min
− r , x max + r , y min − r , y max + r , z min − r , z max + r}
xi − xmin i= xmax − xmin
min
, x max , y min , y max , z min , z max }
i i i
，
给定的空间单元立方体边长为 r ，则点 (x , y , z ) 所在划
y − ymin j= i ymax − ymin k= zi − zmin zmax − zmin
点云数据修复
点云数据修复
基于摄影测量原理的空洞修补
④ 绝对定向，将得到的模型和影像的外方位元素纳入 到点云坐标系下，得到由照片同名点生成的点云坐 标系下的三维点云。进行绝对定向时，需要至少三 对模型连接后模型与点云的连接点。 ⑤ 光束法平差，对参与解算的所有序列影像进行联合 解算，同时解求精度较高的影像的外方位元素及待 定点的坐标。
散乱点云数据组织
Biblioteka Baidu散乱点云数据组织 点云邻域
对于三维散乱点云数据来说，点云的法向量，曲率， 微切平面等与后处理有关的计算都需要其周围临近 点信息。 散乱点云数据组织关键在于利用空间索引结构达到 点云中点邻域快速查询的目的。
散乱点云
散乱点云数据组织
散乱点云数据组织 点云邻域
根据点云邻域空间结构及查找方式，点云邻域可分 为：
散乱点云数据组织
点云邻域 八叉树结构
散乱点云数据组织
点云邻域
八叉树结构
点云八叉树划分
散乱点云数据组织
点云邻域 K-D树结构
K-D （ k-dimensional ）树是将二叉检索树扩展到 K 维 空间。 K-D树的每一层将空间分成两个，树的顶层结 点按一维进行划分，下一层结点按另一维进行划分。 K-D树划分通常用来查找距离最近的两点，它是一种 便于空间中点搜索的数据结构。
点云数据修复
点云数据修复 基于摄影测量原理的空洞修补
影像相对定向后点云
扫描点云
点云数据修复
点云数据修复 基于摄影测量原理的空洞修补
修补前
修补后
点云数据压缩与简化
点云数据压缩与简化
点云简化
扫描场景中往往包括了不同复杂程度的目标，尤其是 大量平面、简单曲面等对象，因此，扫描点云往往会 由于针对上述简单目标的过采样而包含大量的冗余数 据 过于密集的点云(百万级甚至亿级)给模型的构造、存 储、传输和绘制带来沉重负担。过多的数据点会导致 计算机运行、存储和操作的低效率，生成曲面模型需 要消耗更多的时间，并且过于密集的点云会影响重构 曲面的光顺性。
散乱点云数据组织
点云邻域 八叉树结构
八叉树空间分割规则：如果子立方体内包含测点 ( 含 被测曲面的一部分)则该子立方体记为实结点);如果子 立方体内不包含测点则该于立方体记为虚结点 ( 图中 用白结点表示 ) 。对实结点进一步分割测试，重复进 行直到子立方体的边长小于等于给定分割精度为止。
点坐标 单元格ID 单元格ID 点数n 点坐标1 点坐标 单元格ID
…
点坐标n
点云拓扑关系的双向索引
散乱点云数据组织
点云邻域 空间栅格结构
点云空间规则划分
散乱点云数据组织
点云邻域 八叉树结构
八叉树划分是用八叉树的思想，对点云所处的空间区 域划分为具备八叉树结构的立方体。点云中的每个点 由三维坐标来确定的对应立方体及其父节点和子节点。 利用八叉树结构层次关系，建立点的邻域关系。 八叉树空间分割首先构造点云的最小外接正方体，并 视它为八叉树模型的根结点，然后把该最小外接正方 体分割成大小相同的八个子立方体，每个子立方体均 被视为根结点的子结点，由此将造型空间递归细分为 2的幂次方个子立方体。
点云数据压缩与简化
点云数据压缩与简化
点云简化
因此在数据预处理中，必须在保持被测物体几何特征 的前提下，根据物体的曲率特征对测量数据进行精简， 以提高曲面重构的效率和精度。 目前的点云简化主要有两种方式： 包围盒法 随机采样法 曲率采样法 法平面拟合残差法
点云数据压缩与简化
点云数据压缩与简化 包围盒法
点云数据空洞修补
点云数据空洞修补
点云空洞修补方法
修复点云空洞的主要方法有： 基于内插原理的空洞修补：从点云本身出发，寻找 空洞与空洞周围点云的关系，修补空洞。 基于摄影测量原理的空洞修补：对被扫描物体周围 补拍照片，利用摄影测量的方法生成的点云，将这个 点云同激光扫描得到的点云配准到一起，起到修补点 云空洞的作用。
散乱点云数据组织
点云邻域
K-D树结构
首先按X轴寻找分割线，即计算所有点的x值的平均值， 以最接近这个平均值的点的 x 值将空间分成两部分， 然后在分成的子空间中按 Y轴寻找分割线，将其各分 成两部分。分割好的子空间再按X轴分割。依此类推， 最后直到满足树的深度为止。K-D树划分过程对应于 一个二叉树，二叉树的分支节点就对应于一条分割线， 而二叉树的每个叶子节点就对应一个点，这样就建立 了点云的拓扑关系。